应用于FPGA的Yolov3量化方法、装置、设备及介质制造方法及图纸

本发明专利技术涉及一种应用于FPGA的Yolov3量化方法、装置、设备及介质，包括：获取批归一化层参数和初始权重参数；将所述批归一化层参数和所述初始权重参数融合，以得到融合后的批归一化值；对所述批归一化值进行量化，以得到批归一化量化值；根据所述批归一化量化值及激活函数，得到下一层神经网络的激活量化值。上述应用于FPGA的Yolov3量化方法、装置、设备及介质，融合后能够将Yolov3模型中的残差模块中的各层应用于FPGA，使得量化方法能够使用于Yolov3模型。模型。模型。

【技术实现步骤摘要】
应用于FPGA的Yolov3量化方法、装置、设备及介质


[0001]本申请涉及神经网络
，特别是涉及一种应用于FPGA的Yolov3量化方法、装置、设备及介质。

技术介绍

[0002]近年来，卷积神经网络(CNN，Convolutional Neural Network)领域取得了重大突破，极大地提高了基于CNN的目标检测算法的性能。来自国际顶级的计算机视觉竞赛(PASCAL VOC，Pattern Analysis，Statistical Modeling and Computational Learning Visual Object Classes)数据集的分类挑战结果证明，自2007年以来，目标检测算法的平均精度(MAP，Mean Average Precision)从20％提高到了85％。目标检测算法的优异性能使它们广泛应用于自动化系统，如机器人、自动驾驶和无人机等。
[0003]然而，目标检测算法的高准确度伴随着高计算复杂度的问题，如果单纯使用中央处理器(CPU，Central Processing Unit)来计算，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用于FPGA的Yolov3量化方法，其特征在于，包括：获取批归一化层参数和初始权重参数；将所述批归一化层参数和所述初始权重参数融合，以得到融合后的批归一化值；对所述批归一化值进行量化，以得到批归一化量化值；根据所述批归一化量化值及激活函数，得到下一层神经网络的激活量化值。2.根据权利要求1所述的方法，其特征在于，所述批归一化值y满足：y＝a*wx+b
→
y＝aw*x+b其中，a和b均为所述批归一化层参数，w为所述初始权重参数，x为激活参数，aw为新的权重。3.根据权利要求2所述的方法，其特征在于，所述对所述批归一化值进行量化，以得到批归一化量化值，包括：获取批归一化量化参数和新的权重的权重量化参数；根据所述权重量化参数、所述批归一化量化参数对所述批归一化值进行卷积量化，得到所述批归一化量化值；所述批归一化量化值y
quant
满足：y
quant
＝S
w
(aw)*S
x
x+S
w
S
x
b＝S
w
S
x
(aw*x+b)＝S
w
S
x
y其中，S
w
为所述权重量化参数，S
x
为激活量化参数，y为所述批归一化值。4.根据权利要求3所述的方法，其特征在于，所述批归一化量化参数S
b
满足：S

【专利技术属性】
技术研发人员：刘建，毛妤，李伟林，王云，
申请(专利权)人：广东省大湾区集成电路与系统应用研究院，
类型：发明
国别省市：